این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۲۱، شماره ۳، صفحات ۸۵-۹۶
عنوان فارسی بهبود الگوریتم برآورد داده‌های از دست رفته‌ی علائم حیاتی در شبکه‌های حسگر بی‌سیم بدن مبتنی بر شبکه عصبی عمیق
چکیده فارسی مقاله در شبکه‌های حسگر بی‌سیم  به دلیل عوامل مختلفی از قبیل محدود بودن انرژی، قابلیت انتقال حسگرها، خرابی سخت افزار و مشکلات شبکه مانند برخورد بسته‌ها، پیوند غیرقابل اطمینان و آسیب‌های غیر منتظره، مقدار حس شده به سرخوشه یا ایستگاه پایه نمی‌رسد. بنابراین از بین رفتن داده‌ها در شبکه‌های حسگر بی‌سیم بسیار متداول است. از دست دادن داده‌های سنجیده شده، دقت WBAN را بسیار کاهش می‌دهد. از آنجا که WBAN با علائم حیاتی بدن انسان سر‌وکار دارد، قابلیت اطمینان شبکه از اهمیت زیادی برخوردار است. برای حل این مشکل، داده‌های گم شده باید برآورد شوند. به منظور پیش بینی مقادیر گم شده، یک مدل برآورد داده از دست رفته براساس شبکه عصبی بازگشتی LSTM که وزن‌های شبکه توسط الگوریتم ازدحام ذرات (PSO) بهینه شده‌اند، در این مقاله ارائه شده است. نتایج نشان می‌دهد که sgdm-LSTM با ترکیب   PSO روش خوبی برای برآورد مقدار از دست رفته است. ضمنا، نتایج تجربی نشان می‌دهد که میانگین خطای مربع ریشه مقدار برآورد شده کمتر از سایر روش‌ها است. این مقدار، با بهترین ابرپارامترهای شبکه LSTM و بهترین مقادیر برای الگوریتم PSO،  1.5898 است.
کلیدواژه‌های فارسی مقاله برآورد، داده ی از دست رفته، شبکه حسگر بی سیم بدن، شبکه ی عصبی مصنوعی، یادگیری عمیق
عنوان انگلیسی Improvement of missing vital signs data estimation algorithm in wireless body sensor networks based on deep neural networks
چکیده انگلیسی مقاله In a wireless sensor network (WSN), due to various factors such as limited power, sensor transferability, hardware failure and network problems such as packet collisions, unreliable connection and unexpected damage, the amount sensed to the header or base station is not arrives. Therefore, data loss is very common in wireless sensor networks. Loss of measured data greatly reduces WBAN accuracy. Because WBAN deals with the vital signs of the human body, network reliability is very important. To solve this problem, missing data must be estimated. In order to predict missing values, a missing data estimation model based on LSTM recurrent neural network whose network weights are optimized by particle swarm algorithm (PSO) is presented in this paper. In this paper, we use the MIMIC-III Waveform database to test the algorithm and determine the algorithm parameters. However, due to the large volume of data and the difficulty of testing the algorithm on all data, we suffice to test 500 patients with this data, whose vital signs included heart rate, respiration, blood oxygen, and so on. After data preprocessing, network training, predicting lost values and calculating error values, it is observed that the proposed technique of sgdm-LSTM By combining the PSO algorithm is a suitable method for estimating lost values. In addition, experimental results show that the mean square root error of the estimated value is lower than other methods. This value is 1.5898 with the best LSTM network hyperparameters.
کلیدواژه‌های انگلیسی مقاله WBAN, Deep Learning, Artificial Neural Network, Missing Data, Estimation
نویسندگان مقاله ابوالفضل ابراهیمی | Abolufazl Ebrahimi
Qom university of technology
دانشگاه صنعتی قم

محبوبه شمسی | Mahboubeh Shamsi
Qom university of technology
دانشگاه صنعتی قم

مرتضی محجل | Morteza Mohajjel
Qom university of technology
دانشگاه صنعتی قم

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2158-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات